Verbesserung der Erkennung von Gesichts-Morphing-Angriffen

Gesichtsmorphing-Angriffe werden zu einem ernsthaften Problem, besonders bei der Grenzkontrolle und Identifikationssystemen wie ePassports. Diese Angriffe passieren, wenn jemand zwei oder mehr Bilder von verschiedenen Personen kombiniert, um ein neues Bild zu erstellen, das wie beide aussieht. Dieses neue Bild kann Grenzkontrollsysteme und Personalausweise täuschen. Deshalb ist es super wichtig, eine zuverlässige Methode zur Erkennung dieser Angriffe zu finden.

#Was sind Gesichtsmorphing-Angriffe?

Gesichtsmorphing ist der Prozess, Bilder von verschiedenen Personen zu mischen, um ein neues Bild zu erstellen, das beiden ähnelt. Das kann mit verschiedenen Techniken gemacht werden, darunter auch leicht zugängliche Software-Tools. Das Ergebnis kann genutzt werden, um gefälschte Ausweisdokumente zu erstellen, was zu ernsthaften Sicherheitsproblemen führen kann. Studien haben gezeigt, dass viele Gesichtserkennungssysteme Schwierigkeiten haben, diese Art von Bildern zu erkennen, was unsere Sicherheit gefährdet.

#Bedarf an Erkennungstechniken

Mit der Zunahme der Nutzung von ePassports, die mittlerweile weltweit verbreitet sind, hat auch die Anzahl der Angriffe auf diese Systeme zugenommen. Mehr als eine Milliarde ePassports wurden ausgegeben, was sie zu einem Ziel für diejenigen macht, die Schwachstellen ausnutzen wollen. Angreifer können diese morphenden Bilder erstellen, indem sie ihr Foto mit dem Bild einer anderen Person mischen und so Systeme und Mitarbeiter überzeugen, dass sie autorizierte Benutzer sind.

Um dem entgegenzuwirken, konzentrieren sich Forscher darauf, Systeme zu entwickeln, die diese Morphing-Angriffe effektiv erkennen können. Es gibt zwei Haupttypen von Erkennungsmethoden: die Einzelbild-Erkennung, die ein Bild überprüft, und die differentielle Erkennung, die zwei Bilder vergleicht. Letztere ist in der Regel effektiver, weil sie einen besseren Vergleich zwischen dem, wie eine Person im echten Leben aussieht, und dem, was im Pass gezeigt wird, ermöglicht.

#Einführung von multispektraler Bildgebung

Traditionell haben Erkennungsmethoden reguläre sichtbare Lichtbilder verwendet. Neue Technologien ermöglichen jedoch die Nutzung von multispektraler Bildgebung, die Bilder in verschiedenen Wellenlängen des Lichts aufnimmt. Diese Technik kann wertvolle Informationen liefern, die helfen könnten, Morphing-Angriffe genauer zu identifizieren. Durch die Verwendung mehrerer Wellenlängen ist es möglich, die Gesichtszüge einer Person detaillierter zu analysieren.

In dieser Studie zielten die Forscher darauf ab, ein Framework mit multispektraler Bildgebung zu erstellen, um die Erkennung von Morphing-Angriffen zu verbessern. Dazu gehört die Erfassung eines Bildes vom ePassport als Referenz und eines weiteren von einem vertrauenswürdigen Gerät, das an der Grenzkontrolle verwendet wird, zum Beispiel einer Kamera an einem automatischen Grenzkontrolltor.

#Wichtige Forschungsfragen

Um ihre Untersuchung zu leiten, konzentrierten sich die Forscher auf drei Hauptfragen:

1. Welcher Spektralband bietet die beste Erkennungsgenauigkeit für Morphing-Angriffe?
2. Verbessert die Nutzung multispektraler Bildgebung die Erkennung im Vergleich zur Verwendung von regulärer sichtbarer Bildgebung?
3. Führt die Kombination verschiedener Spektralbänder zu einer besseren Erkennungsfähigkeit im Vergleich zur Verwendung von nur sichtbarer Bildgebung?

#Beiträge der Studie

Diese Forschung ist die erste ihrer Art, die Multispektrale Bildgebung zur Erkennung von Morphing-Angriffen einsetzt. Sie schufen einen neuen Datensatz von Bildern mit einer vielfältigen Gruppe von Probanden, der eine bessere Bewertung ermöglichte, wie gut ihre Methoden funktionieren. Der Datensatz umfasste 143 einzigartige Personen, mit einer Mischung aus Geschlechtern und Altersgruppen, die unter kontrollierten Bedingungen aufgenommen wurden.

Die Forscher benchmarkten auch verschiedene Erkennungstechniken. Sie testeten zwei spezifische Methoden: eine, die sich auf Gesichtszüge konzentriert, und eine andere, die Textur betont. Dieser Ansatz ermöglichte es ihnen zu sehen, wie gut jede Technik bei der Erkennung von Morphing-Angriffen abschnitt.

#Wie das multispektrale Erkennungsframework funktioniert

Das vorgeschlagene Framework umfasst vier Hauptteile:

1. Datenaufnahme: Bilder werden sowohl vom ePassport als auch von der multispektralen Kamera erfasst. Das ePassport-Bild dient als Referenz, während das Live-Bild mit verschiedenen Spektralbanden aufgenommen wird, um mehr Daten für den Vergleich zu sammeln.

2. D-MAD-Funktionen: Jedes Bild wird verarbeitet, um spezifische Merkmale zu extrahieren, die helfen können anzuzeigen, ob ein Bild echt oder morphend ist.

3. Klassifizierungswerte: Die gewonnenen Merkmale werden in einen maschinellen Lernklassifizierer eingespeist, der Werte zuweist, um zu bestimmen, wie wahrscheinlich es ist, dass ein Bild ein Morph ist.

4. Fusion: Schliesslich werden die Werte aus verschiedenen Spektralbanden kombiniert, um zu einer Gesamtbewertung zu gelangen, ob das präsentierte Bild morphend oder echt ist.

#Datensammlungsprozess

Die Forscher sammelten Bilder in zwei Phasen:

• Sichtbare Bilder: Diese wurden mit DSLR-Kameras in kontrollierten Einstellungen aufgenommen, wobei Beleuchtung und Positionierung der Probanden sorgfältig kontrolliert wurden, um qualitativ hochwertige Bilder zu gewährleisten. Es wurden zwei Sitzungen durchgeführt mit einem Abstand von 30 bis 45 Tagen.

• Multispektrale Bilder: Eine spezialisierte Kamera erfasste Bilder bei verschiedenen Wellenlängen wie 650 nm, 710 nm und anderen. Dies ermöglicht eine breitere Analyse von Gesichtszügen und Texturen.

Die Morphing-Bilder für ihre Tests wurden unter Verwendung von Bildern aus dem sichtbaren Datensatz erstellt, um sicherzustellen, dass sie eine solide Basis für die Bewertung hatten, wie gut die Erkennungsmethoden funktionierten.

#Experimentelle Ergebnisse

Die Forscher führten Experimente durch, um zu vergleichen, wie gut die Erkennungsmethoden mit sichtbaren und multispektralen Bildern abschnitten. Sie massen die Leistung, indem sie prüften, wie viele echte Bilder fälschlicherweise als Morphs klassifiziert wurden und umgekehrt.

Die Ergebnisse zeigten, dass multispektrale Bilder eine bessere Erkennungsgenauigkeit im Vergleich zu nur sichtbaren Bildern boten. Diese Verbesserung kann auf die detaillierten Informationen zurückgeführt werden, die aus verschiedenen Spektralbanden erfasst wurden, was einen besseren Vergleich zwischen den Bildern ermöglicht.

#Wichtige Erkenntnisse

1. Die sichtbaren Spektralbänder boten für bestimmte Techniken, insbesondere solche, die sich auf Gesichtszüge konzentrieren, eine bessere Erkennungsgenauigkeit als andere Bänder.

2. Die Verwendung einzelner Spektralbänder zeigte bessere Ergebnisse als nur die traditionelle sichtbare Bildgebung.

3. Die Kombination verschiedener Spektralbänder führte insgesamt zur höchsten Erkennungsgenauigkeit. Dies deutet darauf hin, dass der multispektrale Ansatz grosses Potenzial zur Verbesserung der Sicherheitsmassnahmen in Grenzkontrollsystemen hat.

#Fazit

Die Studie zeigte, dass ein multispektrales Framework die Erkennung von Morphing-Angriffen auf ePassports erheblich verbessern könnte. Durch die Aufnahme von Bildern in verschiedenen Spektralbanden und deren Vergleich mit Referenzbildern ist es möglich, eine höhere Erkennungsgenauigkeit zu erreichen.

Die Erkenntnisse deuten darauf hin, dass dieser neue Ansatz ein wertvolles Werkzeug im Kampf gegen Identitätsbetrug an Grenzen sein könnte. Während sich die Technologie weiterentwickelt, könnte zukünftige Arbeit diese Methoden weiter verfeinern und neue Wege zur Erfassung und Analyse von Bildern erkunden, um die Sicherheit von Identifikationssystemen zu gewährleisten.